调用 StructArray.from_arrays 指定缺失值掩码

问题描述

我正在尝试创建一个缺少值的 pyarrow.StructArray。

当我使用 pyarrow.array 传递表示我的记录的元组时，我工作正常：

>>> pyarrow.array(
    [
        None,(1,"foo"),],type=pyarrow.struct(
        [pyarrow.field('col1',pyarrow.int64()),pyarrow.field("col2",pyarrow.string())]
    )
)
-- is_valid:
  [
    false,true
  ]
-- child 0 type: int64
  [
    0,1
  ]
-- child 1 type: string
  [
    "","foo"
  ]

但我想使用 StructArray.from_arrays 并且据我所知没有办法为缺失值提供掩码：

pyarrow.StructArray.from_arrays(
    [
        [None,1],[None,"foo"]
    ],fields=[pyarrow.field('col1',pyarrow.string())]
)
-- is_valid: all not null
-- child 0 type: int64
  [
    null,1
  ]
-- child 1 type: string
  [
    null,"foo"
  ]

有没有办法从数组创建一个 StructArray，指定一个缺失值的掩码？或者以后有没有办法敷面膜？

解决方法

通过在 "scripts": { "test": "echo \"No test specified\"" }, 中传递 mask（-> https://issues.apache.org/jira/browse/ARROW-12677，感谢您打开问题）来实现这一点确实很好。

但就目前而言，一种可能的解决方法可能是让用户使用较低级别的 StructArray.from_arrays：

StructArray.from_buffers

创建一个pyarrow掩码数组来构造一个有效性缓冲区：

struct_type = pyarrow.struct(
    [pyarrow.field('col1',pyarrow.int64()),pyarrow.field("col2",pyarrow.string())]
)
col1 = pyarrow.array([None,1])
col2 = pyarrow.array([None,"foo"])

然后我们可以使用它作为 mask = np.array([True,False]) validity_mask = pyarrow.array(~mask) validity_bitmask = validity_mask.buffers()[1] 中的第一个缓冲区来指示 StructArray 中的缺失值：

from_buffers